本文提出了一种无监督的深度学习方法来分离在野外拍摄的脸部图像中的多个潜在变化因素,其中多个潜在变化因素的乘法交互通过多线性(张量)结构明确地建模。该方法学习了面部表情和姿态的分离表示,可用于各种应用,包括面部编辑,以及三维面部重建和面部表情、身份和姿态的分类。
Nov, 2017
本论文提出了一种利用神经网络学习解开图像可控制性表示从而允许局部图像操作的方法,能够直接转移面部特定区域如眼睛、头发和嘴巴等部分的形状和颜色,而其他部位不变,通过使用定位的 ResNet 自编码器和几个损失函数进行训练,利用 CelebA 数据集检验了该方法的良好效果。
Aug, 2019
DrNET 是一种用于学习从视频中生成分离图像表示的新型模型,通过利用视频的时间一致性和新型的对抗性损失函数来学习一种表示,该表示将每一帧分解为一个固定部分和一个随时间变化的成分,这种分离的表示可以用于一系列任务,例如将标准 LSTM 应用于随时间变化的成分,从而预测未来的帧。
May, 2017
我们提出了一种有条件的生成模型,用于学习将标记的观察结果的隐藏变化因素分离并分解成互补代码,实验结果表明该方法能够推广到未见过的类别和内类别变异。
Nov, 2016
本文提出了一种新型的人脸反欺诈方法,旨在通过解缠活体特征和内容特征从图像中提取最终进行分类的活体特征,并采用卷积神经网络和低层级和高层级监控的结合来提高其泛化能力,并在公共基准数据集上进行了充分的实验结果验证。
Aug, 2020
本文提供了一种使用预训练网络来学习数据的解缠表示的方法,以实现最小的监督,同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。
May, 2020
本研究提出了一种基于生成对抗网络的新方法,利用生成器和鉴别器实现面部建模。通过定量和定性结果表明,这种方法能更好地分离面部特征中的自然因素,尤其是身份和表情,并且比现有的最先进方法在解耦和多样性方面表现更优秀。
Feb, 2019
本文提出了一种新颖的无监督解缠面部表情和身份表示的框架 ——LatentFace,并使用 3D 感知的潜入模型来解决这一问题。该方法在面部表情识别和面部验证等无监督面部表示学习模型中取得了最先进的性能。
Sep, 2023
该论文指出只需要知道环境中有多少因素发生了变化,而不必了解哪些因素发生了变化,就足以学习到分离的表征,同时实验表明,这种弱监督方式足以在多个基准数据集上可靠地学习到分离的表征,并在多个任务上发挥作用,包括协变量漂移下的一般化、公平性和抽象推理。
Feb, 2020
本文介绍了一种设计三维人脸形状表征的新策略。通过将面部形状分解为身份部分和表情部分进行非线性编码和解码,利用属性分解框架对三维面孔网格进行表示,以更好地表示通常在彼此之间非线性变形的面孔形状。实验结果表明,我们的方法在分解身份和表情部分方面比现有方法表现更好,而且可以使用我们的方法获得更自然的表情转移结果。